#lightgbm Repository
Scopri 26 repository GitHub open source attivi contrassegnati con #lightgbm, che raccolgono un totale di 70,365 stelle (con una media di 2,706 stelle per progetto). Il progetto leader di questo argomento è lightgbm-org/LightGBM, con 18,995 stelle.
26 repository in totale
Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.
Libreria Python di apprendimento automatico semplice e distribuito che porta gli algoritmi ML su Spark
Pacchetto Python per AutoML su dati tabulari con Feature Engineering, Tuning degli Iper-Parametri, Spiegazioni e Documentazione Automatica
Trasforma modelli ML in codice nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) senza dipendenze
Una libreria per il debug/il controllo dei classificatori di machine learning e la spiegazione delle loro previsioni
Mars è un framework unificato basato su tensori per il calcolo di dati su larga scala che scala numpy, pandas, scikit-learn e funzioni Python.
Una collezione di articoli di ricerca su alberi decisionali, di classificazione e di regressione con implementazioni.
Il selettore di feature è uno strumento per la riduzione della dimensionalità di dataset di machine learning
L’edizione open source di QuantMind (Cervello quantitativo) è una piattaforma di trading quantitativo multimercato nativa dell’IA, pensata per sviluppatori individuali e team di ricerca e investimento. Integra in profondità Microsoft Qlib, l’evoluzione dei fattori di RD-Agent e il workbench completo QuantBot, offrendo un ciclo completo che comprende l’estrazione di oltre 300 dimensioni di fattori, una fabbrica di modelli con 13 modelli di machine learning e deep learning, backtesting ad alte prestazioni con Qlib, inferenza trasversale batch, analisi del sentiment dell’opinione pubblica in tempo reale 24/7, integrazione avanzata con TongdaXin (notifiche sui settori, radar degli avvisi e invio rapido degli ordini), oltre al trading reale e simulato. Supporta azioni A, azioni di Hong Kong, azioni statunitensi, futures e blockchain. Può essere utilizzata gratuitamente per scopi commerciali e distribuita privatamente con un solo clic tramite Docker Compose. Dati e modelli sono completamente locali per tutelare la riservatezza delle strategie; tutte le funzionalità sono disponibili senza barriere d’accesso né limitazioni.
Libreria Python per la previsione di serie temporali utilizzando modelli compatibili con scikit-learn, metodi statistici e modelli fondamentali
Una lista curata di articoli di ricerca su gradient boosting con implementazioni.
Un server di inferenza per i tuoi modelli di machine learning, incluso il supporto per framework multipli, serving di più modelli e altro ancora
Impressiona il tuo capo con la visualizzazione interattiva dell'albero decisionale
Client e Toolkit Python per DataFrames, Big Data, Machine Learning e ETL in Elasticsearch
Ollama per modelli ML classici. Compilatore AOT che converte modelli XGBoost, LightGBM, scikit-learn, CatBoost e ONNX in codice di inferenza nativo C99. Un comando per caricare, un comando per servire. 336x più veloce dell'inferenza Python.
SIGKDD'2019: DeepGBM: Un framework di deep learning distillato da GBDT per compiti di previsione online
📘 Il tracker degli esperimenti per l'addestramento dei modelli fondamentali
Una piattaforma ibrida di sicurezza degli endpoint Windows basata su machine learning, regole YARA, analisi cloud e protezione comportamentale a livello del kernel.
Codice per IDS-ML: sviluppo di sistemi di rilevamento delle intrusioni utilizzando algoritmi di machine learning (Decision tree, random forest, extra trees, XGBoost, stacking, k-means, ottimizzazione bayesiana..)
Servizio web REST per il vero punteggio in tempo reale (<1 ms) di modelli Scikit-Learn, R e Apache Spark
Un pacchetto Python per la sintonizzazione simultanea degli iperparametri e la selezione delle caratteristiche per i modelli Gradient Boosting.
Domande frequenti
Qual è il repository #lightgbm più popolare su GitHub?
Il progetto open source #lightgbm più alto in classifica su GitHub è lightgbm-org/LightGBM, con 18,995 stelle. Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.
Quali linguaggi di programmazione sono più utilizzati nei repository #lightgbm?
Tra i progetti #lightgbm più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, HTML.
Come viene calcolata la classifica dei repository #lightgbm?
Monitoriamo 26 repository open source attivi contrassegnati con #lightgbm (500+ stelle), per un totale di 70,365 stelle e una media di 2,706 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.